机器学习饮食质量评分与心血管疾病风险

Machine-learning diet quality score and risk of cardiovascular disease

二维码有效期 120s

摘要目的:目前营养学领域已建立了多种饮食评分体系用于衡量整体饮食质量,并用于心血管疾病等非传染性慢性疾病的预防和管理.基于现代机器学习技术构建的饮食评分可能包含独立的信息,若结合临床经验构建的饮食评分有望提供更好的膳食建议.方法:本文提出了一种新颖的基于机器学习方法的饮食质量评分(DQS),并研究DQS与健康饮食指数-2015(HEI2015)、地中海饮食评分(MED)、替代健康饮食指数-2010(AHEI)结合后与心血管疾病风险的关联.研究数据来源于美国国家健康与营养调查(NHANES)的 2011-2012 年至 2017-2018 年周期.研究人群为年龄在 20 岁以上的成年人,通过参与者自我报告收集食物摄入情况以及相关协变量信息.我们采用弹性网络惩罚回归模型选择重要的食物特征,并使用广义线性回归模型在控制年龄、性别和其他相关协变量后估计相对风险OR和 95％置信区间.结果:共计 16756 名参与者纳入分析.在调整其他常见饮食评分后,DQS与冠状动脉疾病(CAD)风险显著相关.DQS与HEI2015、MED、AHEI和得舒饮食(DASH)得分结合的OR都在 0.900 左右,p值小于0.05.在包括所有其他评分的全模型中,DQS的OR值为 0.905(95％CI,0.828-0.989,p=0.028<0.05).结论:基于NHANES连续 4 个周期的数据,较高的DQS与较低的CAD风险相关.DQS捕获了独立于现有饮食评分的独特预测信息,因此可以作为补充评分系统,进一步改善CAD患者的饮食推荐.